CN115983511A - 基于改进统计降尺度方法的降水预估方法和*** - Google Patents
基于改进统计降尺度方法的降水预估方法和*** Download PDFInfo
- Publication number
- CN115983511A CN115983511A CN202310285989.4A CN202310285989A CN115983511A CN 115983511 A CN115983511 A CN 115983511A CN 202310285989 A CN202310285989 A CN 202310285989A CN 115983511 A CN115983511 A CN 115983511A
- Authority
- CN
- China
- Prior art keywords
- precipitation
- data
- gcms
- rainfall
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进统计降尺度方法的降水预估方法和***,包括收集预定范围内日尺度的基础数据并预处理;获取预处理后的基础数据并计算各个地面雨量站的观测降水数据和同期GCMs降水数据的降水参数并获得降水参数的平均值;基于平均后的降水参数调用CLIGEN模型生成降尺度的GCMs降水数据;计算观测降水数据的空间相关系数;评估GCMs降尺度降水数据的精度,若符合要求,则将同期GCMs降水数据替换为未来情景下的GCMs降水数据,并进行降尺度处理,得到未来时期的降尺度的降水特征。本发明能够对未来不同共享社会经济路径和典型浓度路径情景下的GCMs降水数据进行降尺度处理,预估未来时期降水,预测精度高。
Description
技术领域
本发明涉及降水数据预估方法,尤其是一种基于改进统计降尺度方法的降水预估方法和***。
背景技术
全球气候模式(GCMs)被认为是目前进行气候变化影响研究中最重要、最可行的方法,可为研究气候变化对流域水循环的影响提供重要的数据输入,对于制定应对气候风险战略具有重要意义。但是受限于对全球气候***的复杂性以及计算量等问题,GCMs通常以数百公里的空间分辨率提供网格尺度的气候变化信息,而水文模型通常需要流域或特定地点尺度的气候数据,导致了输入数据与水文模型空间尺度不匹配。
因此,需要对GCMs数据进行空间降尺度处理。动力和统计降尺度方法都用于弥补GCMs输出与水文模型数据要求之间的差距。统计降尺度方法能够纠正全球气候模式的***误差,不用考虑边界条件对预测结果的影响而受到广泛的使用。作为一种有效的降尺度方法,随机天气生成器可以再现具有相似统计特征的每日序列,但是大多数天气生成器只能模拟空间上不相关的单站点气象数据,这将影响流域极端流量的模拟和水文模型输出的准确性。
为此,本发明人提出了多站点统计降尺度方法,该方法通过空间降尺度、时间降尺度和空间相关性重构等步骤,该方法同时进行时间和空间尺度的降尺度处理,将粗网格日尺度的数据转换为细网格日尺度的数据,在处理时还存在诸如对同一栅格内不同站点的日尺度降雨趋势信息的处理精度不够等问题,即次网格非均匀性的问题。因此,需要进一步研究创新。
发明内容
发明目的:提出一种基于改进统计降尺度方法的降水预估方法,并进一步提出一种用于实现上述方法的***,以解决现有技术存在的上述问题。
根据本发明的一个方面,提供一种基于改进统计降尺度方法的降水预估方法,包括如下步骤:
步骤S1、获取预定范围内日尺度的基础数据,所述基础数据包括地面雨量站的观测降水数据和至少两组GCMs降水数据;对所述基础数据进行预处理,得到预处理后的观测降水数据和GCMs降水数据;
步骤S2、获取预处理后的基础数据并计算各个地面雨量站的观测降水数据和同期GCMs降水数据的降水参数并获得降水参数的平均值;基于平均后的降水参数调用CLIGEN模型生成降尺度的GCMs降水数据;
步骤S3、计算各个站点的观测降水数据的空间相关系数,使用两阶段shuffle算法对降尺度的GCMs降水数据进行空间相关性重构;根据观测降水数据的年降水变化趋势将同期GCMs降尺度数据年变化趋势进行重构;
步骤S4、评估GCMs降尺度降水数据的精度,若精度符合预设要求,则将同期GCMs降水数据替换为未来情景下的GCMs降水数据,并进行降尺度处理,得到未来时期的降尺度的降水特征,绘制相关图像。
根据本申请的一个方面,所述步骤S2进一步为:
步骤S21、计算各个地面雨量站的观测降水数据和同期GCMs降水数据的降水参数,所述降水参数包括每月的日降水量均值、每月的日降水量标准差、每月的日降水量的偏度系数、每月的日降水-降水转移概率,以及每月的日不降水-降水转移概率;
步骤S22、根据角距离计算公式确定与地面雨量站位置最近的四个GCM栅格中心点;分别计算各时期的CLIGEN降水参数变化率,使用双线性插值法计算地面雨量站位置处各个时期的CLIGEN降水参数;
步骤S23、对各个GCMs的CLIGEN降水参数取集合平均,基于平均后的降水参数调用CLIGEN模型生成降尺度的GCMs降水数据。
根据本申请的一个方面,所述角距离计算公式为:D=cos-1(cos
θ d cos
θ s (cos
β d
cos
β s +sin
θ d sin
β d )+sin
θ d sin
θ s );
θ d 为目标雨量站纬度;
β d 为目标雨量站经度;
θ s 为GCM数据栅格中心点纬度;
β s 为GCM数据栅格中心点经度;
计算各时期的CLIGEN降水参数变化率的过程为:CPm=(CPm-p/CPm-c)×CPo-c;
C
P m 为计算的未来时期GCM降水数据的CLIGEN参数;
CP m-p 为未来时期GCM降水数据的CLIGEN参数;
CP m-c 为历史时期GCM降水数据的CLIGEN参数;
CP o-c 为历史时期观测降水数据的CLIGEN参数。
根据本申请的一个方面,所述步骤S1进一步为:
步骤S11、获取GCMs降水数据,所述GCMs降水数据采用预定数量个CMIP6模式历史时期降水数据和未来时期降水数据;其中历史时期降水数据为historical试验数据,未来时期降水数据为SSP1-2.6、SSP2-4.5、SSP3-7.0、SSP5-8.5四种共享社会经济路径和典型浓度路径组合情景数据;历史时期GCMs降水数据制备需要基于观测降水数据时段进行截取,以使GCMs的historical试验降水数据与观测降水数据的时段具有一致性;
步骤S12、采用双线性插值法对各个GCMs降水数据统计插值为预定精度的栅格;
步骤S13、计算并采用相关系数、标准均方根误差、相对标准差和TSS指标评估GCMs降水数据的精度,若某一GCM的TSS指标大于阈值,则使用该降水数据作为降水预估的输入数据并导入数据库;
步骤S14、采用等距离累积分布函数法对精度为达到阈值的GCMs降水数据进行偏差校正。
根据本申请的一个方面,所述步骤S3进一步为:
步骤S31、将日尺度的基础数据按月整理,构建12个大小n×k的降水数据矩阵[
X],其中观测降水数据矩阵记为[
X obs ],CLIGEN降水数据矩阵记为[
X GEN ],n为研究时段内每个月的全部天数,
k为雨量站的个数;
步骤S32、将CLIGEN降水数据矩阵[
X GEN ]中每列数据按照大小排序,获得每个数据的秩次
i,基于秩次计算矩阵的范德瓦尔登得分矩阵[S],其中S=Φ-1(i/m+1),
S为范德瓦尔登得分;
Φ -1 为正态分布的逆函数;
i为每列中每个数据的秩次;
m为每列数据总数;
步骤S33、别计算观测降水数据矩阵[
X obs ]的斯皮尔曼秩相关系数,得到
k×
k的矩阵[
C S-obs ],并判断该矩阵[
C S-obs ]是否为正定矩阵,若是,利用Cholesky分解方法获得矩阵[
C S-obs ]的上三角矩阵[
R],若不是,则进一步的将矩阵[
C S-obs ]分解为特征向量
V与特征值
D,将特征向量中的负值用正数取代,使用修正后的特征值对角矩阵
D’生成矩阵[
C S-obs-m ],最后将矩阵[
C S-obs-m ]进行标准化处理后再利用Cholesky分解方法获得矩阵[
C S-obs ]的上三角矩阵[
R];
步骤S34、重构范德瓦尔登得分矩阵[
S * ],计算公式为:[
S * ]=[S][
R];计算范德瓦尔登得分矩阵[
S * ]的秩次,将CLIGEN降水数据矩阵[
X GEN ]按照范德瓦尔登得分矩阵[
S * ]的秩次进行调整,获得重构的矩阵[
X GEN-R ];
步骤S35、计算矩阵[
X GEN-R ]的Pearson相关系数矩阵[
C P-GEN-R ],建立Pearson相关系数矩阵[
C P-GEN-R ]与矩阵[
C S-obs ]的线性关系:[
C S-obs ]=a×[
C P-GEN-R ]+b;
步骤S36、计算观测降水数据的Pearson相关系数矩阵[
C P-obs ],使用Pearson相关系数矩阵[
C P-obs ]将公式[
C S-obs ]=a×[
C P-GEN-R ]+b中[
C P-GEN-R ]进行替换,得到新的矩阵[
C S-obs ’ ];
步骤S37、使用矩阵[
C S-obs ’ ]替换步骤S35中的[
C S-obs ],并重复步骤S35至步骤S36,直到精度满足要求。
根据本申请的一个方面,还包括降水趋势恢复过程:
步骤S38、基于雨量站观测降水序列计算各站间的相关系数选择一个雨量站作为控制站,将与其他雨量站的平均相关系数最大的雨量站作为控制站;
步骤S39、根据控制站雨天的降水发生结构重新排列该列数据,并对该列的无降水日进行随机排列,其他列中的该行数据也一并进行调整;计算观测降水数据的年降水秩次,将同站点、同期的GCMs的historical试验数据按照观测降水数据的年降水秩次进行调整,以保证年降水趋势不变。
根据本申请的一个方面,所述步骤S4进一步为:
步骤S41、计算观测降水数据和同期GCMs的historical试验数据的CLIGEN参数、空间相关系数和流域降水量的平均绝对误差、标准均方根误差、决定系数;评价基于CLIGEN模型和两阶段shuffle算法的降尺度方法的精度;
步骤S42、获取或计算降水特征,降水特征包括各站点平均日、月、年降水量以及极端降水指数,计算未来时期流域平均年降水量;
步骤S43、基于降水特征绘制包括对比柱状图、散点图、箱型图以及频率曲线。
根据本申请的一个方面,所述步骤S39还包括:
步骤S39a、获取控制站预定周期内的观测降雨序列,提取每日降水数据并根据极大值和极小值划分预定个区间,为每个区间设置标记符数值;构建每日降水数据与标记符的映射关系;并将各个雨量站的观测降水序列转化为标记符数值序列,构成标记符数值序列集合;
步骤S39b、获取同期GCMs的historical试验数据,按照观测降水数据的年降水秩次进行排序后的降水数据,构建每日降水并构建标识符数值序列集合;
步骤S39c、逐一计算各个站点观测降水序列的标识符数值序列与GCMs获取的降水数据的欧式距离之和,并判断是否小于预设值,若小于,则认为调整后的年降水趋势符合预期。
根据本申请的一个方面,所述步骤S22还包括:
步骤S22a、读取每一地面雨量站的位置参数以及各个GCM栅格中心点的位置参数,采用角距离计算公式确定距离每一地面雨量站最近的四个GCM栅格中心点,计算每一GCM栅格中心点的重复次数,构建GCM栅格的权重系数矩阵;
步骤S22b、获取未来时期和历史时期的GCM降水数据和观测降水数据的CLIGEN降水参数,计算各时期的CLIGEN降水参数变化率;逐一判断每一栅格中各个地面雨量站的降水参数变化率差值是否超过阈值,若超过,将其标记为第一降尺度栅格;
步骤S22c、判断每一栅格中各个地面雨量站的降水参数是否存在异常点,若存在,使用双线性插值法计算各个地面雨量站位置处各个时期的CLIGEN降水参数。
根据本发明的另一个方面,提供一种基于改进统计降尺度方法的降水预估***,包括:
至少一个处理器;以及
与至少一个所述处理器通信连接的存储器;其中,
所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现上述任一项技术方案所述的基于改进统计降尺度方法的降水预估方法。
有益效果:本发明通过计算雨量站点与相邻栅格之间的距离并进行插值处理,解决了现有技术存在的处在同一个GCM输出网格内的雨量站会采用同一个变化率的问题,为每个输出网格内的雨量站计算各自的变化率,从而为精确预测降水提供帮助。本申请解决了现有技术一直存在的技术难题。
附图说明
图1为本发明的整体流程图。
图2是本发明的步骤S2的流程图。
图3是本发明降尺度数据空间相关系数与观测降水数据空间相关系数的散点图。
图4是本发明未来时期流域降水预估数据与观测数据的降雨量对比箱型图。
图5是本发明历史时期流域年降水数据趋势重构前的示意图。
图6是本发明历史时期流域年降水数据趋势重构后的示意图。
图7是本发明未来时期流域年降水数据趋势重构前的示意图。
图8是本发明未来时期流域年降水数据趋势重构后的示意图。
具体实施方式
在下文的描述中,给出了大量具体的细节以便提供对本发明更为彻底的理解。然而,对于本领域技术人员而言显而易见的是,本发明可以无需一个或多个这些细节而得以实施。在其他例子中,为了避免与本发明发生混淆,对于本领域公知的一些技术特征未进行描述。
实施例1、如图1所示,提供一种基于改进统计降尺度方法的降水预估方法,包括如下步骤:
步骤S1、获取预定范围内日尺度的基础数据,所述基础数据包括地面雨量站的观测降水数据和至少两组GCMs降水数据;对所述基础数据进行预处理,得到预处理后的观测降水数据和GCMs降水数据;
步骤S2、获取预处理后的基础数据并计算各个地面雨量站的观测降水数据和同期GCMs降水数据的降水参数并获得降水参数的平均值;基于平均后的降水参数调用CLIGEN模型生成降尺度的GCMs降水数据;
步骤S3、计算各个站点的观测降水数据的空间相关系数,使用两阶段shuffle算法对降尺度的GCMs降水数据进行空间相关性重构;根据观测降水数据的年降水变化趋势将同期GCMs降尺度数据年变化趋势进行重构;
步骤S4、评估GCMs降尺度降水数据的精度,若精度符合预设要求,则将同期GCMs降水数据替换为未来情景下的GCMs降水数据,并进行降尺度处理,得到未来时期的降尺度的降水特征,绘制相关图像。
实施例2、如图2所示,所述步骤S2进一步为:
步骤S21、计算各个地面雨量站的观测降水数据和同期GCMs降水数据的降水参数,所述降水参数包括每月的日降水量均值、每月的日降水量标准差、每月的日降水量的偏度系数、每月的日降水-降水转移概率,以及每月的日不降水-降水转移概率;
步骤S22、根据角距离计算公式确定与地面雨量站位置最近的四个GCM栅格中心点;分别计算各时期的CLIGEN降水参数变化率,使用双线性插值法计算地面雨量站位置处各个时期的CLIGEN降水参数;
步骤S23、对各个GCMs的CLIGEN降水参数取集合平均,基于平均后的降水参数调用CLIGEN模型生成降尺度的GCMs降水数据。
实施例3,所述角距离计算公式为:D=cos-1(cos
θ d cos
θ s (cos
β d
cos
β s +sin
θ d sin
β d )+sin
θ d sin
θ s );
θ d 为目标雨量站纬度;
β d 为目标雨量站经度;
θ s 为GCM数据栅格中心点纬度;
β s 为GCM数据栅格中心点经度;
计算各时期的CLIGEN降水参数变化率的过程为:CPm=(CPm-p/CPm-c)×CPo-c;
C
P m 为计算的未来时期GCM降水数据的CLIGEN参数;
CP m-p 为未来时期GCM降水数据的CLIGEN参数;
CP m-c 为历史时期GCM降水数据的CLIGEN参数;
CP o-c 为历史时期观测降水数据的CLIGEN参数。
在未来降水数据预估的数据选择方面,本方案使用CMIP6全球气候模式数据,相较于以往的气候模式数据,该数据具有更为完善的气候变化情景以及更高模拟精度,可以有效提高降水预估结果的精度;在降尺度模型选择方面,由于CLIGEN是一个单站点天气生成器,并且没有成熟的方法来计算未来时期降水的CLIGEN参数,因此其应用受到限制。本发明使用两阶段Shuffles算法解决了各站点的空间相关性较差的问题,进一步的,提出了未来时期降水的GLIGEN参数生成方法,使得CLIGEN模型的应用范围大大提高;在年降水趋势方面,由于随机天气发生器是根据概率随机生成降雨量,因此很难保证降尺度后的降雨区域与原降雨序列相同,会对流域水文过程的识别造成影响。
针对这一问题,本发明提出了基于原序列秩次对降尺度数据的年降水趋势进行重构的方法。本发明提出的空间相关性和年降水趋势重构方法,可以作为一种后处理技术与任意的单站点降尺度方法进行耦合,不仅为丰富了其他单点降尺度方法的适用范围,也为处理其他气象数据提供了可能的途径。
本发明一方面解决了现有单站点统计降尺度方法忽略空间相关性、年降水趋势无法准确模拟的缺陷,另一方面解决了气候模型输出与水文模型数据需求之间时空不匹配的问题,提升了单站点统计降尺度方法的普适性与预估降水数据的准确性。
实施例4,所述步骤S39还包括:
步骤S39a、获取控制站预定周期内的观测降雨序列,提取每日降水数据并根据极大值和极小值划分预定个区间,为每个区间设置标记符数值;构建每日降水数据与标记符的映射关系;并将各个雨量站的观测降水序列转化为标记符数值序列,构成标记符数值序列集合;
步骤S39b、获取同期GCMs的historical试验数据,按照观测降水数据的年降水秩次进行排序后的降水数据,构建每日降水并构建标识符数值序列集合;
步骤S39c、逐一计算各个站点观测降水序列的标识符数值序列与GCMs获取的降水数据的欧式距离之和,并判断是否小于预设值,若小于,则认为调整后的年降水趋势符合预期。
在现有技术中,没有对未来的趋势进行修正,由于GCM产生的降水数据趋势可能与实际情况相反或存在较大差别,因此不能够更好地进行预测,本申请给出了趋势修正的详细过程,可以真实地反映未来降雨的特征。
实施例5,所述步骤S22还包括:
步骤S22a、读取每一地面雨量站的位置参数以及各个GCM栅格中心点的位置参数,采用角距离计算公式确定距离每一地面雨量站最近的四个GCM栅格中心点,计算每一GCM栅格中心点的重复次数,构建GCM栅格的权重系数矩阵;
步骤S22b、获取未来时期和历史时期的GCM降水数据和观测降水数据的CLIGEN降水参数,计算各时期的CLIGEN降水参数变化率;逐一判断每一栅格中各个地面雨量站的降水参数变化率差值是否超过阈值,若超过,将其标记为第一降尺度栅格;
步骤S22c、判断每一栅格中各个地面雨量站的降水参数是否存在异常点,若存在,使用双线性插值法计算各个地面雨量站位置处各个时期的CLIGEN降水参数。
为了解决现有技术通过月尺度数据降尺度到日尺度数据,在空间上精度不够,无法真实反应未来降雨特征的问题,本申请给出了将日尺度降雨数据在空间上降尺度至日尺度的方法,现有技术的月尺度降尺度至日尺度,由于方法和数据所限,只能降尺度到栅格这一层面,对于栅格中存在的1个以上的雨量站,假定其变化趋势是一致的,无法反应真实的情况。而在本申请中,通过将日尺度的降水数据降尺度至日尺度的雨量站点的层级,同一栅格中的不同雨量站点的变化趋势是可以相同或不同的,能够更加准确地反应真实物理过程。
实施例6,本发明的步骤如下:
步骤1、在降水数据制备模块,收集预定范围内地面雨量站观测降水数据和多种GCMs降水数据,对观测降水数据进行质量检验与筛选,确定使用的时间范围,进一步的,对多种GCMs降水数据进行插值处理,并将所述降水数据导入数据库中;
步骤2、在GCMs数据筛选与处理模块,评估GCMs降水数据的精度,筛选GCMs降水数据,对选择的气候模式降水数据进行偏差订正;
步骤3、在GCMs数据降尺度模块,计算观测降水数据和同期GCMs降水数据的CLIGEN降水参数,进一步的,将所有GCMs的CLIGEN降水参数取集合平均,基于集合平均的CLIGEN降水参数调用CLIGEN模型生成降尺度的GCMs降水数据;
步骤4、在GCMs降尺度数据空间相关性重构模块,计算观测降水数据的空间相关系数,使用两阶段shuffle算法对GCMs降尺度数据进行空间相关性重构,进一步的,根据原始降水数据的年降水变化趋势将同期GCMs降尺度数据年变化趋势进行重构;
步骤5、在GCMs数据降尺度精度评估模块,计算平均绝对误差(Mean AbsoluteError,MAE)、标准均方根误差(Standardized Root-Mean-Square Error,SRMSE)、决定系数(Determination Coefficient),评估GCMs降尺度数据的精度;
步骤6、在降水数据预估模块,将步骤3种同期GCMs降水数据替换为未来四种共享社会经济路径和典型浓度路径情景下GCMs降水数据,并重复步骤3~步骤4,对未来时期降水数据进行降尺度处理,进一步的,将预估的降水数据年变化趋势进行重构;
步骤7、在未来降水分析模块,分析未来时期降水特征,绘制相关图像,并将预估的未来降水数据导入数据库中。
实施例7,步骤1的过程进一步如下:
步骤11、所述的GCMs数据采用20个CMIP6模式历史和未来时期降水数据,进一步的,所述的历史时期数据为historical试验数据,所述的未来时期降水数据为SSP1-2.6、SSP2-4.5、SSP3-7.0、SSP5-8.5四种共享社会经济路径和典型浓度路径组合情景数据;
步骤12、所述的历史时期GCMs降水数据制备需要基于观测降水数据时段进行截取,保证GCMs的historical试验降水数据与观测降水数据的时段具有一致性;
步骤13、所述的插值处理为采用双线性插值法对所有的GCMs降水数据统计插值为0.1°×0.1°的栅格。
实施例8,步骤2的过程进一步如下:
步骤2-1、所述的GCMs降水数据的精度使用标准化泰勒图进行评估,进一步的,所述的标准化泰勒图采用的评价标准包括相关系数、标准均方根误差和相对标准差,引入
TSS(Taylor Skill Score)指标对GCMs数据的精度进行综合评估,
TSS越接近1表示精度越高。
步骤2-2、所述的筛选GCMs降水数据判定基准为
TSS值,若
TSS值大于0.5,则使用该模式作为降水预估的输入数据并导入数据库;
步骤2-3、所述的偏差订正方法为等距离累积分布函数法(EDCDFm);
进一步的,降水数据的累积分布函数采用混合两参数伽马分布的累积分布函数,公式为:
G(x)=(1-
P)·
H(
x)+
P·
F(
x);式中,
P是有雨月份的百分比;
H(
x)是跳跃函数,无雨时为0,有雨时为1;
F(
x)为使用两参数伽马分布拟合降水数据的累积分布函数(CDF)。其中,两参数伽马分布拟合降水数据的概率密度函数。
实施例9,步骤3的过程进一步如下:
步骤3-1、所述的CLIGEN降水参数包括每月日降水量均值(Pw)、每月日降水量标准差(Sd)、每月日降水量的偏度系数(Skew)、每月日降水转移概率:降水-降水概率(P(W|W))、不降水-降水概率(P(W|D)),计算公式如下:
(P(
W|W))=
N ww /(
N wd +
N ww );
(P(
W|D))=
N dw /(
N dw +
N dd )
式中,
N ww 为降水-降水天数;
N wd 为降水-无降水天数;
N dw 为不降水-降水天数;
N dd 为不降水-不降水天数。
步骤3-2、未来时期降水参数基于Delta方法和双线性插值法(Delta-BI法)进行计算,原因在于Delta法未考虑GCM的次网络非均匀性,即使用Delta法计算未来降水量时,处在同一个GCM输出网格内的雨量站会采用同一个变化率。进一步的,所述的Delta-BI法计算流程为:首先根据角距离公式确定与雨量站位置最近的四个GCM栅格中心点;其次,使用Delta法计算分别计算未来时期CLIGEN降水参数变化率;再次,使用双线性插值法计算雨量站位置处未来时期CLIGEN降水参数;最后,对所有GCMs的CLIGEN降水参数取集合平均。计算公式为:
角距离计算公式:D=cos-1(cos
θ d cos
θ s (cos
β d
cos
β s +sin
θ d sin
β d )+sin
θ d sin
θ s );
θ d 为目标雨量站纬度;
β d 为目标雨量站经度;
θ s 为GCM数据栅格中心点纬度;
β s 为GCM数据栅格中心点经度;
计算各时期的CLIGEN降水参数变化率的过程为:CPm=(CPm-p/CPm-c)×CPo-c;
C
P m 为计算的未来时期GCM降水数据的CLIGEN参数;
CP m-p 为未来时期GCM降水数据的CLIGEN参数;
CP m-c 为历史时期GCM降水数据的CLIGEN参数;
CP o-c 为历史时期观测降水数据的CLIGEN参数。
实施例10,步骤4的过程进一步如下:
步骤4-1、将日降水数据按月整理,获得12个大小为
n×
k的矩阵[
X],其中观测数据记为[
X obs ],CLIGEN数据记为[
X GEN ],其中
n代表研究时段内每个月的全部天数,
k为雨量站的个数;
步骤4-2、将[
X GEN ]中每列数据按照大小排序,获得每个数据的秩次
i,进一步的,基于秩次计算矩阵的范德瓦尔登得分(van der Waerden scores)矩阵[S],计算公式为:S=Φ-1(i/m+1),式中,S为范德瓦尔登得分;Φ-1为正态分布的逆函数;i为每列中每个数据的秩次;m为每列数据总数。
步骤4-3、分别计算观测数据矩阵[
X obs ]的斯皮尔曼秩相关系数(Spearman rankcorrelation coefficient),得到
k×
k的矩阵[
C S-obs ];
步骤4-4、判断[
C S-obs ]是否为正定矩阵,若是,则利用Cholesky分解方法获得矩阵[
C S-obs ]的上三角矩阵[
R],若不是,则进一步的将[
C S-obs ]分解为特征向量
V与特征值
D,将特征向量中的负值用非常小的正数取代,进一步的,使用修正后的特征值对角矩阵
D’生成[
C S-obs-m ],最后将[
C S-obs-m ]进行标准化处理后再利用Cholesky分解方法获得矩阵[
C S-obs ]的上三角矩阵[
R],标准化公式为:
C S-obs
=C S-obs-m
/(diag(
C S-obs-m )diag(
C S-obs-m )
’)1/2;式中,
C S-obs 为经标准化处理和特征向量修正后观测降水Spearman秩相关系数矩阵。
步骤4-5、利用Cholesky分解方法获得矩阵[
C S-obs ]的上三角矩阵[R];
步骤4-6、重构范德瓦尔登得分矩阵[
S * ],计算公式为:[
S * ]=[S][
R];
步骤4-7、计算[
S * ]的秩次,进一步的,将矩阵[
X GEN ]按照[
S * ]的秩次进行调整,获得重构的矩阵[
X GEN-R ];
步骤4-8、计算矩阵[
X GEN-R ]的Pearson相关系数[
C P-GEN-R ],建立[
C P-GEN-R ]与[
C S-obs ]的线性关系:[
C S-obs ]=a×[
C P-GEN-R ]+b;
步骤4-9、计算观测降水数据的Pearson相关系数[
C P-obs ],使用[
C P-obs ]将步骤4-8公式中[
C P-GEN-R ]进行替换,得到新的矩阵[
C S-obs ’ ];
步骤4-10、使用[
C S-obs ’ ]替换步骤4-5中的[
C S-obs ],并重复步骤4-5至步骤4-9,直到精度满足要求。
实施例11,还包括趋势恢复的过程,具体如下:
步骤4-11、选择一个雨量站作为控制站,选择标准为基于雨量站观测降水序列计算各站间的相关系数,将与其他雨量站的平均相关系数最大的雨量站作为控制站;
步骤4-12、根据控制站雨天的降水发生结构重新排列该列数据,并对该列的无降水日进行随机排列,进一步的,其他列中的该行数据也一并进行调整;
步骤4-13、计算观测降水数据的年降水秩次,进一步的,将同站点、同期的GCMs的historical试验数据按照观测降水数据的年降水秩次进行调整,以保证年降水趋势不变。
实施例12,步骤5的过程进一步如下:
步骤5-1、计算观测降水数据和同期GCMs的historical试验数据的CLIGEN参数、空间相关系数和流域降水量的平均绝对误差、标准均方根误差、决定系数;
步骤5-2、评价基于CLIGEN模型和两阶段shuffle算法的降尺度方法的精度。
实施例13,步骤6的过程进一步如下:
步骤6-1、所述的未来四种共享社会经济路径和典型浓度路径情景包括SSP1-2.6、SSP2-4.5、SSP3-7.0、SSP5-8.5;
步骤6-2、重复步骤3-1至步骤4-12,对未来时期的不同情景的降水数据进行预估;
步骤6-3、计算未来时期原始GCMs年降水秩次,进一步的,将降尺度后该站点GCMs降水数据按照原始GCMs年降水秩次进行调整,以保证年降水趋势不变。
实施例14,步骤7的过程进一步如下:
步骤7-1、所述的降水特征包括各站点平均日、月、年降水量以及极端降水指数,未来时期流域平均年降水量。
步骤7-2、基于步骤7-1的计算结果,绘制包括对比柱状图、散点图、箱型图以及频率曲线。
以某流域为例,该流域的水资源相对稀缺,其空间和时间分布不均匀。流域的生态环境和社会经济发展对气候变化,特别是降水变化非常敏感。流域目前不受资源开发影响,水文过程主要受自然因素控制。本实施例使用某流域10个站点的观测日降水量数据与CMIP6的20个GCMs降水数据。
主要步骤如下:
S1、降水数据制备:收集了1976年至2014年某流域10个站点的观测日降水量数据、1976年至2014年CMIP6的20个GCMs的historical试验降水数据及2015年至2100年CMIP6的20个GCMs的7种组合情景降水数据,所述的GCMs降水数据均插值为0.1°× 0.1°的栅格。
S2、分别使用标准化泰勒图评估20个GCMs降水数据的精度,筛选GCMs降水数据,使用等距离累积分布函数法(EDCDFm法)对筛选GCMs降水数据进行偏差订正,进一步的,为对比偏差订正前后的精度提升情况,计算多模式集合平均的GCMs年降水量统计特征。数据具体如下:观测数据的均值为378.56,标准差为84.64;
偏差订正前GCMs数据:均值为502.65,标准差为23.82,平均绝对误差为:131.40相对偏差为0.45,均方根误差为156.24。
偏差订后前GCMs数据:均值为375.46,标准差为82.05,平均绝对误差为1.51,相对偏差为0.005,均方根误差为103。S3、计算观测降水数据和GCMs降水数据的CLIGEN降水参数,进一步的基于所述的降水参数生成降尺度的同期GCMs降水数据,并使用两阶段shuffle算法对GCMs降尺度数据进行空间相关性重构,进一步的,对于历史时期GCMs降水数据,据根据观测降水数据的年降水变化将其年降水变化趋势进行重构,对于未来时期GCMs降水数据,根据原始GCMs数据的年降水变化将其年降水变化趋势进行重构。
如图3所示,图3为本发明实施例:降尺度数据空间相关系数与观测降水数据空间相关系数的散点图。
S4、计算未来时期各站点平均日、月、年降水量以及极端降水指数,计算未来时期流域平均年降水量,分析未来时期降水特征。
如图4所示,图4为未来时期流域降水预估数据与观测数据的降雨量对比箱型图。从图4中可以看出本申请的效果比现有技术更优。
在本实施例中,针对目前多数天气发生器多以单站点为研究对象,导致了各站点的降尺度数据缺乏空间相关性,对流域内的水文要素极值模拟精度较差。本方法基于CLIGEN随机天气发生器和两阶段Shuffle算法,首先提出了未来时期CLIGEN降水参数的生成方法,拓展了CLIGEN随机天气发生器在降水预估方面的应用;其次,使用两阶段Shuffle算法重构了各站点降水的空间相关性,该方法也可以作为一种后处理技术与其他统计降尺度方法结合,实现了单站点降尺度方法向多站点降尺度方法的转变,具有广阔的应用前景;最后,提出了基于原降水序列秩次的年降水趋势重构方法,解决了统计降尺度方法生成的年降水数据无法保证趋势的问题,扩充了统计降尺度领域的方法体系。在具体实施例中,发现采用新的降尺度方法可获得与单站点降尺度方法不完全一致的结论,即单站点降尺度方法虽然在年降水均值方面具有较高的模拟精度,但是由于没有考虑各站点的空间相关性,因此生成的流域降水范围过小,在极端降水的模拟方面表现不佳。
如图5至图8所示,本发明实施例中:历史时期和未来时期流域年降水预估数据趋势重构图。实测年降水与历时时期MME(多模式平均)、BCC-CSM2-MR、CMCC-ESM2的欧式距离分别为228、322、310,因此未来可以根据MME的趋势进行重构。
上述实施例在信息利用方面,主要涉及地理信息、雨量站观测与20种全球气候模式的降水产品。需要说明的是,本发明具有很强的扩展性,其它单站点降尺度方法均可以采用本发明方法。如上所述,尽管参照特定的优选实施例已经表示和表述了本发明,但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下,可对其在形式上和细节上做出各种变化。
Claims (10)
1.基于改进统计降尺度方法的降水预估方法,其特征在于,包括如下步骤:
步骤S1、获取预定范围内日尺度的基础数据,所述基础数据包括地面雨量站的观测降水数据和至少两组GCMs降水数据;对所述基础数据进行预处理,得到预处理后的观测降水数据和GCMs降水数据;
步骤S2、获取预处理后的基础数据并计算各个地面雨量站的观测降水数据和同期GCMs降水数据的降水参数并获得降水参数的平均值;基于平均后的降水参数调用CLIGEN模型生成降尺度的GCMs降水数据;
步骤S3、计算各个雨量站点观测降水数据的空间相关系数,使用两阶段shuffle算法对降尺度的GCMs降水数据进行空间相关性重构;根据观测降水数据的年降水变化趋势将同期GCMs降尺度数据年变化趋势进行重构;
步骤S4、评估GCMs降尺度降水数据的精度,若精度符合预设要求,则将同期GCMs降水数据替换为未来情景下的GCMs降水数据,并进行降尺度处理,得到未来时期的降尺度的降水特征,绘制相关图像。
2.根据权利要求1所述的基于改进统计降尺度方法的降水预估方法,其特征在于,所述步骤S2进一步为:
步骤S21、计算各个地面雨量站的观测降水数据和同期GCMs降水数据的降水参数,所述降水参数包括每月的日降水量均值、每月的日降水量标准差、每月的日降水量的偏度系数、每月的日降水-降水转移概率,以及每月的日不降水-降水转移概率;
步骤S22、根据角距离计算公式确定与地面雨量站位置最近的四个GCM栅格中心点;分别计算各时期的CLIGEN降水参数变化率,使用双线性插值法计算地面雨量站位置处各个时期的CLIGEN降水参数;
步骤S23、对各个GCMs的CLIGEN降水参数取集合平均,基于平均后的降水参数调用CLIGEN模型生成降尺度的GCMs降水数据。
3. 根据权利要求2所述的基于改进统计降尺度方法的降水预估方法,其特征在于,所述角距离计算公式为:D=cos-1(cosθ d cosθ s (cosβ d cosβ s +sinθ d sinβ d )+sinθ d sinθ s );θ d 为目标雨量站纬度;β d 为目标雨量站经度;θ s 为GCM数据栅格中心点纬度;β s 为GCM数据栅格中心点经度;
计算各时期的CLIGEN降水参数变化率的过程为:CPm=(CPm-p/CPm-c)×CPo-c;
CP m 为计算的未来时期GCM降水数据的CLIGEN参数;CP m-p 为未来时期GCM降水数据的CLIGEN参数;CP m-c 为历史时期GCM降水数据的CLIGEN参数;CP o-c 为历史时期观测降水数据的CLIGEN参数。
4.根据权利要求1至3任一项所述的基于改进统计降尺度方法的降水预估方法,其特征在于,所述步骤S1进一步为:
步骤S11、获取GCMs降水数据,所述GCMs降水数据采用预定数量个CMIP6模式历史时期降水数据和未来时期降水数据;其中历史时期降水数据为historical试验数据,未来时期降水数据为SSP1-2.6、SSP2-4.5、SSP3-7.0、SSP5-8.5四种共享社会经济路径和典型浓度路径组合情景数据;历史时期GCMs降水数据制备需要基于观测降水数据时段进行截取,以使GCMs的historical试验降水数据与观测降水数据的时段具有一致性;
步骤S12、采用双线性插值法对各个GCMs降水数据统计插值为预定精度的栅格;
步骤S13、计算并采用相关系数、标准均方根误差、相对标准差和TSS指标评估GCMs降水数据的精度,若某一GCM的TSS指标大于阈值,则使用该降水数据作为降水预估的输入数据并导入数据库;
步骤S14、采用等距离累积分布函数法对精度为达到阈值的GCMs降水数据进行偏差校正。
5.根据权利要求4所述的基于改进统计降尺度方法的降水预估方法,其特征在于,所述步骤S3进一步为:
步骤S31、将日尺度的基础数据按月整理,构建12个大小n×k的降水数据矩阵[X],其中观测降水数据矩阵记为[X obs ],CLIGEN降水数据矩阵记为[X GEN ],n为研究时段内每个月的全部天数,k为雨量站的个数;
步骤S32、将CLIGEN降水数据矩阵[X GEN ]中每列数据按照大小排序,获得每个数据的秩次i,基于秩次计算矩阵的范德瓦尔登得分矩阵[S],其中S=Φ-1(i/m+1),S为范德瓦尔登得分;Φ-1为正态分布的逆函数;i为每列中每个数据的秩次;m为每列数据总数;
步骤S33、计算观测降水数据矩阵[X obs ]的斯皮尔曼秩相关系数,得到k×k的矩阵[C S-obs ],并判断该矩阵[C S-obs ]是否为正定矩阵,若是,利用Cholesky分解方法获得矩阵[C S-obs ]的上三角矩阵[R],若不是,则进一步的将矩阵[C S-obs ]分解为特征向量V与特征值D,将特征向量中的负值用正数取代,使用修正后的特征值对角矩阵D’生成矩阵[C S-obs-m ],最后将矩阵[C S-obs-m ]进行标准化处理后再利用Cholesky分解方法获得矩阵[C S-obs ]的上三角矩阵[R];
步骤S34、重构范德瓦尔登得分矩阵[S * ],计算公式为:[S * ]=[S] [R];计算范德瓦尔登得分矩阵[S * ]的秩次,将CLIGEN降水数据矩阵[X GEN ]按照范德瓦尔登得分矩阵[S * ]的秩次进行调整,获得重构的矩阵[X GEN-R ];
步骤S35、计算矩阵[X GEN-R ]的Pearson相关系数矩阵[C P-GEN-R ],建立Pearson相关系数矩阵[C P-GEN-R ]与矩阵[C S-obs ]的线性关系:[C S-obs ]=a×[C P-GEN-R ]+b;
步骤S36、计算观测降水数据的Pearson相关系数矩阵[C P-obs ],使用Pearson相关系数矩阵[C P-obs ]将公式[C S-obs ]=a×[C P-GEN-R ]+b中[C P-GEN-R ]进行替换,得到新的矩阵[C S-obs ’ ];
步骤S37、使用矩阵[C S-obs ’ ]替换步骤S35中的矩阵[C S-obs ],并重复步骤S35至步骤S36,直到精度满足要求。
6.根据权利要求5所述的基于改进统计降尺度方法的降水预估方法,其特征在于,所述步骤S3还包括降水趋势恢复过程:
步骤S38、基于雨量站观测降水序列计算各站间的相关系数选择一个雨量站作为控制站,将与其他雨量站的平均相关系数最大的雨量站作为控制站;
步骤S39、根据控制站雨天的降水发生结构重新排列该列数据,并对该列的无降水日进行随机排列,其他列中的该行数据也一并进行调整;计算观测降水数据的年降水秩次,将同站点、同期的GCMs的historical试验数据按照观测降水数据的年降水秩次进行调整,以保证年降水趋势不变。
7.根据权利要求6所述的基于改进统计降尺度方法的降水预估方法,其特征在于,所述步骤S4进一步为:
步骤S41、计算观测降水数据和同期GCMs的historical试验数据的CLIGEN参数、空间相关系数和流域降水量的平均绝对误差、标准均方根误差、决定系数;评价基于CLIGEN模型和两阶段shuffle算法的降尺度方法的精度;
步骤S42、获取或计算降水特征,降水特征包括各站点平均日、月、年降水量,以及极端降水指数,计算未来时期流域平均年降水量;
步骤S43、基于降水特征绘制包括对比柱状图、散点图、箱型图以及频率曲线。
8.根据权利要求7所述的基于改进统计降尺度方法的降水预估方法,其特征在于,所述步骤S39还包括:
步骤S39a、获取控制站预定周期内的观测降雨序列,提取每日降水数据并根据极大值和极小值划分预定个区间,为每个区间设置标记符数值;构建每日降水数据与标记符的映射关系;并将各个雨量站的观测降水序列转化为标记符数值序列,构成标记符数值序列集合;
步骤S39b、获取同期GCMs的historical试验数据,按照观测降水数据的年降水秩次进行排序后的降水数据,构建每日降水并构建标识符数值序列集合;
步骤S39c、逐一计算各个站点观测降水序列的标识符数值序列与GCMs获取的降水数据的欧式距离之和,并判断是否小于预设值,若小于,则认为调整后的年降水趋势符合预期。
9.根据权利要求8所述的基于改进统计降尺度方法的降水预估方法,其特征在于,所述步骤S22还包括:
步骤S22a、读取每一地面雨量站的位置参数以及各个GCM栅格中心点的位置参数,采用角距离计算公式确定距离每一地面雨量站最近的四个GCM栅格中心点,计算每一GCM栅格中心点的重复次数,构建GCM栅格的权重系数矩阵;
步骤S22b、获取未来时期和历史时期的GCM降水数据和观测降水数据的CLIGEN降水参数,计算各时期的CLIGEN降水参数变化率;逐一判断每一栅格中各个地面雨量站的降水参数变化率差值是否超过阈值,若超过,将其标记为第一降尺度栅格;
步骤S22c、判断每一栅格中各个地面雨量站的降水参数是否存在异常点,若存在,使用双线性插值法计算各个地面雨量站位置处各个时期的CLIGEN降水参数。
10. 基于改进统计降尺度方法的降水预估***,其特征在于,包括:
至少一个处理器;以及
与至少一个所述处理器通信连接的存储器;其中,
所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现权利要求1-9任一项所述的基于改进统计降尺度方法的降水预估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310285989.4A CN115983511B (zh) | 2023-03-22 | 2023-03-22 | 基于改进统计降尺度方法的降水预估方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310285989.4A CN115983511B (zh) | 2023-03-22 | 2023-03-22 | 基于改进统计降尺度方法的降水预估方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115983511A true CN115983511A (zh) | 2023-04-18 |
CN115983511B CN115983511B (zh) | 2023-05-23 |
Family
ID=85970588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310285989.4A Active CN115983511B (zh) | 2023-03-22 | 2023-03-22 | 基于改进统计降尺度方法的降水预估方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115983511B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116449460A (zh) * | 2023-04-23 | 2023-07-18 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于卷积UNet和迁移学习的区域月降水预测方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1744185A1 (en) * | 2005-07-13 | 2007-01-17 | CIMA-Università degli Studi di Genova | Method for estimating a variable geophysical field particularly for forecasting atmospheric precipitation |
CN110597873A (zh) * | 2019-08-23 | 2019-12-20 | 北京师范大学 | 降水数据估计方法、装置、设备及存储介质 |
CN110874630A (zh) * | 2019-10-23 | 2020-03-10 | 中国人民解放军空军研究院战场环境研究所 | 一种基于深度学习的数值模式产品降尺度精细化方法 |
CN114677059A (zh) * | 2022-05-26 | 2022-06-28 | 水利部交通运输部国家能源局南京水利科学研究院 | 集成时空指标的反演降水产品精度综合评估方法及*** |
CN115357847A (zh) * | 2022-08-28 | 2022-11-18 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于误差分解的日尺度星地降水融合方法 |
-
2023
- 2023-03-22 CN CN202310285989.4A patent/CN115983511B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1744185A1 (en) * | 2005-07-13 | 2007-01-17 | CIMA-Università degli Studi di Genova | Method for estimating a variable geophysical field particularly for forecasting atmospheric precipitation |
CN110597873A (zh) * | 2019-08-23 | 2019-12-20 | 北京师范大学 | 降水数据估计方法、装置、设备及存储介质 |
CN110874630A (zh) * | 2019-10-23 | 2020-03-10 | 中国人民解放军空军研究院战场环境研究所 | 一种基于深度学习的数值模式产品降尺度精细化方法 |
CN114677059A (zh) * | 2022-05-26 | 2022-06-28 | 水利部交通运输部国家能源局南京水利科学研究院 | 集成时空指标的反演降水产品精度综合评估方法及*** |
CN115357847A (zh) * | 2022-08-28 | 2022-11-18 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于误差分解的日尺度星地降水融合方法 |
Non-Patent Citations (5)
Title |
---|
JAMIL A.A. ANACHE等: "Land use and climate change impacts on runoff and soil erosion at the hillslope scale in the Brazilian Cerrado", 《SCIENCE OF THE TOTAL ENVIRONMENT》 * |
XIAOPING SHI等: "Multisite and multivariate GCM downscaling using a distribution-free shuffle procedure for correlation reconstruction", 《CLIMATE RESEARCH》 * |
YUQUAN QU等: "Inter-comparison of several soil moisture downscaling methods over the Qinghai-Tibet Plateau, China", 《JOURNAL OF HYDROLOGY》 * |
殷水清: "土壤侵蚀研究中降雨过程随机模拟综述", 《地理科学进展》 * |
胡庆芳等: "环境变化对流域水文水资源的影响评估及不确定性研究进展", 《气候变化研究进展》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116449460A (zh) * | 2023-04-23 | 2023-07-18 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于卷积UNet和迁移学习的区域月降水预测方法及*** |
CN116449460B (zh) * | 2023-04-23 | 2023-10-10 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于卷积UNet和迁移学习的区域月降水预测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN115983511B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nipen et al. | Adopting citizen observations in operational weather prediction | |
CN108761574B (zh) | 基于多源信息融合的降雨量估算方法 | |
CN110555561B (zh) | 一种中长期径流集合预报方法 | |
Cheung et al. | Application of macroecological theory to predict effects of climate change on global fisheries potential | |
CN109359411B (zh) | 一种气候变化影响下沼泽湿地植被覆盖度估算方法 | |
CN113032733B (zh) | 基于非线性分类回归分析的遥感降雨误差校正方法及*** | |
CN112861072B (zh) | 一种星地多源降水自适应动态融合方法 | |
CN114254802B (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
CN110119556B (zh) | 一种区域水源涵养功能的时空演变分析方法 | |
CN111538935B (zh) | 基于地形特征和多源模式产品的精细化降水融合方法、***、电子设备及存储介质 | |
Marchesoni-Acland et al. | Intra-day solar irradiation forecast using RLS filters and satellite images | |
CN115983511A (zh) | 基于改进统计降尺度方法的降水预估方法和*** | |
Otache et al. | ARMA modelling of Benue River flow dynamics: comparative study of PAR model | |
CN117909888B (zh) | 智慧人工智能气候预测方法 | |
Chen et al. | Trust me, my neighbors say it's raining outside: Ensuring data trustworthiness for crowdsourced weather stations | |
CN109388863B (zh) | 一种基于arima模型的分布式光伏出力功率预测方法 | |
Li et al. | A nonstationary runoff frequency analysis for future climate change and its uncertainties | |
Wang et al. | Spatial Variation of Extreme Rainfall Observed From Two Century‐Long Datasets | |
CN117094516B (zh) | 一种基于固定效应模型的城市群月生活需水量预测方法 | |
Boyko et al. | Post-processing climate projections of precipitation for the Po river basin: will Italy's North become water-constrained? | |
CN116151015A (zh) | 一种气象预报降尺度算法 | |
CN109886497B (zh) | 基于纬度改进的反距离加权法的地面气温插值方法 | |
Huang et al. | Hybrid Intra-hour Solar PV Power Forecasting using Statistical and Skycam-based Methods | |
Yang et al. | Seasonal prediction of crop yields in Ethiopia using an analog approach | |
Cannas et al. | Neural network models to forecast hydrological risk |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |